本文介绍了 FoundationStereo，一种用于立体深度估计的基础模型，旨在实现强大的零样本泛化能力。通过构建大规模（100 万立体图像对）合成训练数据集，结合自动自筛选流程去除模糊样本，并设计了网络架构组件（如侧调谐特征主干和远程上下文推理）来增强可扩展性和准确性。这些创新显著提升了模型在不同领域的鲁棒性和精度，为零样本立体深度估计设立了新标准。相关论文 FoundationStereo:

分布式训练的动机很简答：单节点算力和内存不足，因此不得不做分布式训练。训练机器学习模型需要大量内存。假设一个大型神经网络模型具有 1000 亿的参数（LLM 时代有不少比这个参数量更大的模型），每个参数都由一个 32 位浮点数（4 个字节）表达，存储模型参数就需要 400GB 的内存。在实际中，我们需要更多内存来存储激活值和梯度。假设激活值和梯度也用 32 位浮点数表达，那么其各自至少需要 400

下一代自动驾驶系统需要采用多激光雷达、多毫米波雷达、多摄像头等各类传感器，传感器从采集数据到处理到发送到域控制器内部，存在延时，且延时的时长不稳定。为了提高自动驾驶的传感器融合、决策规划和融合定位等性能，自动驾驶高级域控制器HPC与其关联的传感器均需要做时间同步，实际过程就是需要定义清楚传感器输入数据的时间戳信息（包括打时间戳的时刻及精度要求），同时也需要定义整体时间同步方案和同步精度要求。...

2009年谷歌(Waymo)自动驾驶事业正式开始，但实际上谷歌的自动驾驶可以追溯到2005年第二届DARPA无人驾驶挑战赛，已有了十几年的历史，目前也是自动驾驶领域的标杆企业，不过Waymo也经历了各种坎坷，包括早期领导人职业操守严重不足，跟车企合作被鄙视，骨干员工加入竞争对手等。Waymo在超过25个城市的公共道路上行驶了超过2000万英里。另外还在模拟环境中行驶了数百亿英里。此外，Waymo正

本文介绍了在conda环境中安装SeqTrack3D所需依赖的完整流程。首先创建并激活Python 3.9的conda环境，然后依次安装PyTorch系列(2.1.0版本)、NumPy等基础库。接着配置Pointnet2_PyTorch项目及其依赖项，并安装pomegranate等特定版本库。最后完成包括pyquaternion、pytorch-lightning、nuscenes-devkit等

我们提出了一个通过smoothing and mapping实现的紧耦合激光惯性里程计框架，LIO-SAM，能够取得高精度、实时的移动机器人的轨迹估计和地图构建。LIO-SAM基于因子图构建，把多个相对测量数据或者绝对测量数据，包括回环检测，以因子的形式加入到系统中进行联合优化。通过IMU预积分获得的运动估计可以用于点云运动畸变的修正和作为激光里程计优化的初值。反之，基于获得的激光里程计可以估计I

Tesla AI Day过去已经4个多月，其介绍的很多前卫理念和超级详细的技术方案细节都成为全球自动驾驶从业者津津乐道的话题与专研的方向。这段时间以来我重复看了几遍AI Day的视频资料，也看了不少中英文分析解读的文章，一直希望能找机会把我对AI Day的理解和解读写成文章分享出来，可是因为拖延症一拖再拖，虽然拖了这么久，可至今AI Day上Tesla展现的技术创新仍旧走在自动驾驶视觉感知技术的最

多传感器融合被证明是一种能够在SLAM任务中取得准确和鲁棒位姿估计的有效解决方案，因而在机器人应用中具有无限可能。本文提出了FAST-LIVO方法，一种快速的雷达-惯性-视觉里程计，其中包含了两个紧耦合的直接里程计子系统：一个VIO子系统和一个LIO子系统。LIO子系统registers激光的原始点云数据（而不是平面或者边上的特征点）到一个增量点云地图中。点云地图中的三维点带有颜色纹理信息，这样不

ROS是一种基于分布式网络通讯的操作系统，整个机器人控制系统是由一个Master主节点和若干个功能相对独立的Node子节点组成，这也是ROS系统最主要的特点就是分布式以及模块化的设计。在ROS通讯过程中Master节点存储着各个子节点的topics和services的注册信息，每个功能节点在请求服务之前先向主节点进行注册，然后节点之间就可以直接进行信息传递。ROS的底层通信都是基于XML-RPC协

OpenMP（开放式多处理）是一种应用程序编程接口（API），支持C，C ++和Fortran中的多平台共享内存 多 处 理 ( C P U ) {\color{blue}多处理(CPU)} 多处理(CPU)编程，适用于大多数平台，指令集架构和操作系统，包括Solaris，AIX，HP-UX，Linux，macOS和Windows。它由一组编译器指令，库例程和影响运行时行为的环境变量。共享内存并行